臺灣四大連鎖便利商店合計多達上萬家,便利商店密度更高居全球第二,對便利商店業者而言,門市數量愈多,愈能觸及廣大的消費者,提供便利服務,然而,連鎖便利商店門市數量逐年增加的背後,收掉的門市更是不少

「我們現在約有3605家店,但是在過去30幾年裡,關閉的店約有1000家,以現在開店成本500萬元,大家可以算算關掉的店總共浪費了多少?」,全家便利商店開發業務部開發企劃課長吳昇輝近期分享了他們如何運用資料分析協助開店選址的成果。

吳昇輝表示,這些收掉的門市都是學費,這些年來全家跌跌撞撞,學習如何開好店,因為全家必須確保加盟者有一定的收入。他一語道破國內便利商店業者快速展店衝刺規模背後面臨的難題:如何提高對新店營收預測的準確率,找出可創造高收益的地點開店,增加開店選址的成功率?

目前全家在開店選址的立地評估主要是以人工採點、現場觀察,例如在現場使用計數器,統計來往的人流、車流,再利用線性迴歸分析資料,搭配人工調整精準度。全家內部也建置一個GIS系統,裡面包括人口、點位、同異業資料,搭配採點表權重更新,但採點資料的更新頻率低,調整也缺乏固定的準則。

「新開店的評估,除了採集數據外,還要人為去判斷,這是經驗的部份,但是人為判斷的權重佔比要多少比較好,假如採集的數據預測這家店一天營業額為5萬元,而人為判斷的結果可能是這家店不能開」,他說。

因此全家便利商店接受國家發展委員會輔導,結合內部的店舖營運數據,加上外部的網路公開、政府資料,嚐試利用不同的資料分析方法,設法提高對新店營收的預測,提高新開店的成功率。

運用政府資料改善分析預測

他們和臺北市政府商業處合作,在運用的資料集部份,包括全家內部資料,如店舖基本資料、單日營業額、不同時段的來客資訊,以及同業資訊,外部資料來源包括網路公開資料,以及政府資料如戶政單位的人口資料、臺北市商業處資料、交通部的道路交通資料,還有電信業者的常駐人口分佈資料等等。

利用這些內外部的資料,經過資料分析找出標竿店特徵(成功店或失敗店),判斷新開店屬於哪種標竿店型,並找出類似店,藉此預測新開店的來客及營收。

全家先以小區域進行測試,在臺北市中山區的88家門市裡,從內外部資料的整合、資料的清洗,運用一些演算法處理,並利用歐氏距離、Cosine三角函數找出相似店做資料比對。

他們先以新復店門市,利用106個因子找出五家相似店,江寧店、合江店、新松店、民族店、光輝店,排除相似店中營業額極端的店,計算出對新復店的營收預測,再和新復店實際營收作比較。最後的結果,當營業額落差在正負六千元,也就是約10%的實際差異之下,有44.3%預測可靠性,如果拉到正負1.2萬元,約20%的實際差異之下,提高到7成左右。

但是這樣的結果仍有努力的空間,吳昇輝表示,臺灣全家便利商店的終極目標是如日本全家一樣,日本全家也是做類似店預測營收,但他們利用Google雲端,靠AI比對3000多家店作營收預測,在10%以內的預測可信度達到73%,相當於預測10家有7家預測準確,如果營收落差至20%,可信度高達8成6。臺灣全家希望未來10%落差可以提高到70%以上。

吳昇輝表示,目前全家先以中山區的小區塊進行測試,以瞭解這些資料、分析方法的可行性,未來希望能夠擴展到全區域,同時也會嚐試採用其他分析方法。未來也希望能獲得更多政府方面的資料,如公車上下站人流方向,電信的常駐人口資料,消費力強度等等。

全家希望未來確立預測模式後,發展為系統自動化運算,同時外部資料如政府部門做到即時更新。結合內外部資料應用的效益,能夠簡化展店人員流程、提高展店的判斷依據,以及資料的更新頻率與效率。吳昇輝指出,如此估計每月可減少10小時的人力,透過數據分析減少死角,降低時間浪費。「未來持續優化調整下,目標是儘量開出優質店,避免產生不良店」。

目標朝AI預測發展

全家希望未來能夠獲得更多可靠的資料來源,可以即時運用,同時像日本全家那樣,未來將分階段發展朝AI預測的目標前進。

第一階段是在今年Q3擴大測試樣本,加入更多資料,進行相似店比對模型小範圍測試,在Q4在部份新開店上運用;第二階段是在2020年Q4到2021年Q2,持續調整模型、其他資料及演算法,希望將準確率提高到70%,並且以更有效的方式採集人車流資料(目前人車流統計靠人工方式使用計算器)。

第三階段是在2021年Q3到2021年Q4,以提高單店的評估模組擴大至區域發展研究為目標,和異業夥伴合作、做跨業的數據交換。最後在第四階段的2022年Q1,朝AI模組化機器學習,資料自動更新及機器學習,開始在新興的區域(還沒有店的區域)透過AI作前期開店規畫。


Advertisement

更多 iThome相關內容